AI Class

AI Agent + n8n Automation untuk Approval Workflow: Cara Bikin Sistem Persetujuan yang Nggak Bikin Tim Jadi “Tukang Follow-Up”

· 8 menit baca

AI Agent + n8n Automation untuk Approval Workflow: Cara Bikin Sistem Persetujuan yang Nggak Bikin Tim Jadi “Tukang Follow-Up”

AI Agent + n8n automation itu sering dipakai buat hal “wah” seperti chatbot atau RAG. Tapi di dunia kerja nyata, yang bikin timeline proyek hancur biasanya hal yang lebih membosankan: approval workflow yang macet. PR numpuk bukan karena orang nggak kerja—tapi karena keputusan kecil (approve budget, publish konten, merge PR, approve refund) nunggu orang yang tepat, lewat channel yang salah, tanpa konteks, tanpa SLA.

Kalau kamu pernah jadi orang yang tiap hari ngetik “ping kak, boleh approve?”—artikel ini buat kamu. Kita akan bikin approval workflow dengan AI Agent + n8n automation yang:

  • ngumpulin konteks otomatis (dokumen, angka, risiko, histori)
  • ngasih ringkasan + rekomendasi keputusan (bukan sekadar forward)
  • punya SLA & eskalasi (anti ghosting)
  • punya audit trail (siapa approve apa, kapan, kenapa)
  • siap jadi fondasi buat build SaaS cepat dengan AI (approval-as-a-service internal)

Hook: Approval itu bukan “step terakhir”—dia adalah bottleneck terbesar

Di banyak tim, approval dianggap formalitas. Padahal approval adalah queue. Dan queue itu punya hukum fisika sendiri: kalau input lebih cepat dari output, backlog akan meledak.

Masalah klasik approval workflow:

  • Konteks tercecer: request ada di Slack, dokumen di Drive, angka di Sheets, histori di Jira.
  • Approver salah orang: harusnya finance, tapi ke ops; harusnya eng lead, tapi ke PM.
  • Silent failure: approver lupa, requestor lupa follow-up, akhirnya “kok nggak jalan?”
  • Nggak ada standar kualitas: request A lengkap, request B minim info, tapi diproses sama.
  • Nggak ada jejak keputusan: bulan depan ditanya “kenapa di-approve?”, semua lupa.

Solusinya bukan “ingatkan orang lebih rajin”. Solusinya: ubah approval jadi sistem. Di sinilah AI Agent + n8n automation jadi senjata.

Konsep: Approval workflow yang sehat itu punya 3 lapisan

Jangan keburu mikir “AI = auto approve”. Di produksi, yang kita butuhin adalah tiga lapisan ini:

  • Orchestration (n8n): routing, state machine, SLA, retry, eskalasi, log.
  • Decision support (AI Agent): ringkas, cek kelengkapan, identifikasi risiko, rekomendasikan tindakan.
  • Human control (approval UI): keputusan final, override, dan accountability.

Aha moment-nya: AI Agent jangan menggantikan approver—AI Agent menggantikan “konteks yang hilang”. Approver tetap manusia, tapi dibekali paket keputusan yang rapi.

Approval workflow dengan AI Agent + n8n automation: arsitektur dan komponennya

Arsitektur minimal (bisa kamu deploy dari nol):

  • Trigger: Webhook / Form / Slack command / Email masuk
  • Data store: Google Sheets / Airtable / Postgres (buat status & audit trail)
  • AI Agent: OpenAI/LLM lain via HTTP Request node (atau node native) untuk analisis + ringkasan
  • Approval channel: Slack/Discord/Email/WhatsApp (approval via tombol/links)
  • Integrasi API: Jira, GitHub, Stripe, CMS, ERP—tergantung use case

Di n8n, pola yang kepake hampir selalu sama:

  • Ingest → normalisasi input
  • Validate → cek kelengkapan + aturan
  • Enrich → tarik data pendukung via API
  • AI Decision Brief → AI Agent bikin “paket approval”
  • Route → tentukan approver & jalur
  • Wait/Approve → tunggu keputusan (dengan timeout)
  • Execute → jalankan aksi (publish, refund, merge, dsb)
  • Audit → simpan log + alasan

Breakdown teknis: workflow n8n step-by-step (pola produksi)

Kita bikin contoh generik yang bisa kamu adaptasi untuk macam-macam approval: Request → Brief → Approve/Reject → Execute.

1) Input gateway (Webhook/Form/Slack)

Mulai dari Webhook node (paling fleksibel). Payload minimal:

  • request_type (mis. refund / content_publish / budget / access_request)
  • requestor (id/email)
  • entity_id (id transaksi / id artikel / id PR)
  • reason (free text)
  • amount (opsional)
  • attachments (URL Drive/Notion/Gdoc)

2) Normalisasi + idempotency (anti dobel request)

Tambahkan Function/Code node untuk bikin request_id deterministik, misalnya hash dari (request_type + entity_id + requestor + date bucket). Simpan ke DB. Kalau request_id sudah ada dan status masih pending, balikin respons: “already pending”.

Insight: approval workflow paling sering rusak karena duplikasi request (orang spam tombol submit). Idempotency itu bukan fitur opsional.

3) Validasi kelengkapan + policy ringan

Pakai IF node untuk cek field wajib. Kalau kurang, jangan lempar ke approver. Balikin ke requestor dengan daftar yang kurang.

Kalau mau lebih pintar, gunakan AI Agent buat validasi semantik:

  • apakah alasan masuk akal?
  • apakah ada info penting yang belum disebut?
  • apakah ada red flag (mis. refund tanpa bukti)?

4) Enrichment via integrasi API

Di tahap ini kamu tarik data yang bikin approver bisa ambil keputusan cepat. Contoh:

  • Refund: detail transaksi (Stripe/Midtrans), riwayat refund user, status delivery
  • Content publish: SEO score, plagiarisme, guideline compliance
  • PR merge: hasil CI, coverage, label risiko, daftar file kritikal

Node yang biasa dipakai:

  • HTTP Request untuk API custom
  • Stripe / GitHub / Jira node (kalau tersedia)
  • Google Sheets untuk lookup sederhana

5) AI Agent bikin “Decision Brief” (ringkasan yang bisa di-approve)

Ini jantungnya. Output AI bukan “ya/tidak” doang, tapi brief terstruktur yang bisa dibaca 15 detik.

Prompt (template) yang saya sering pakai di produksi:

  • Role: “Kamu adalah analis risk & ops.”
  • Input: payload request + hasil enrichment
  • Output JSON: summary, key_facts, risks, missing_info, recommendation, suggested_questions

Contoh struktur output yang kamu minta dari AI:

  • summary: 2–3 kalimat
  • key_facts: bullet fakta penting
  • risk_flags: (low/med/high) + alasan
  • recommendation: approve/reject/need-more-info
  • approval_conditions: syarat jika approve

Pro tip: minta AI output JSON valid, lalu parse di n8n (biar gampang dipakai buat routing).

6) Routing approver (rule-based + AI-assisted)

Routing jangan murni AI. Pakai rule-based untuk hal yang jelas:

  • refund < 300rb → team lead ops
  • refund 300rb–2jt → finance
  • refund > 2jt atau risk high → head of ops + finance (dual approval)

AI Agent bisa bantu untuk kasus abu-abu: misalnya menentukan kategori request dari teks, atau mendeteksi bahwa kasus harus di-escalate.

7) Approval UI: tombol Approve/Reject + deep link

Di Slack, kamu bisa kirim message dengan 2 tombol (interactive message) atau 2 link (Approve/Reject) yang mengarah ke webhook n8n terpisah dengan parameter request_id + decision.

Payload ke approver sebaiknya berisi:

  • Decision Brief dari AI
  • Link bukti/dokumen
  • CTA jelas: Approve / Reject / Request more info
  • SLA countdown (mis. “auto-escalate dalam 2 jam”)

8) Wait state + SLA + eskalasi (anti ghosting)

Gunakan Wait node atau polling status di DB. Implementasikan:

  • timeout 1: reminder ke approver (mis. 30 menit)
  • timeout 2: eskalasi ke backup approver (mis. 2 jam)
  • timeout 3: auto-reject atau auto-hold + notify requestor (mis. 24 jam)

Insight: eskalasi bukan soal “ngejar”. Eskalasi adalah desain reliability. Kalau workflow kamu tidak punya jalur saat manusia diam, berarti itu bukan workflow—itu harapan.

9) Execute action + compensation

Setelah approve, jalankan aksi via integrasi API:

  • Refund → call API payment gateway
  • Publish konten → call CMS
  • Merge PR → GitHub merge + label

Untuk aksi yang berisiko, pakai pola “compensation” (rollback) sederhana:

  • kalau refund sukses tapi update CRM gagal → enqueue retry + tandai “partial success”
  • kalau publish sukses tapi indexing gagal → buat ticket otomatis

10) Audit trail + analytics

Simpan ke DB:

  • request_id, request_type, requestor
  • brief AI (raw + parsed)
  • approver, keputusan, timestamp
  • alasan approver (optional text)
  • SLA: waktu submit → waktu keputusan

Ini yang nanti bikin kamu bisa bikin dashboard: approval rate, average approval time, bottleneck approver, dsb.

Use case real (wajib): Automasi approval refund e-commerce (anti-fraud, anti drama)

Kasus: toko online kamu terima 30–100 request refund/hari dari banyak channel. Tim ops kewalahan, finance minta bukti, customer marah karena lama.

Target outcome

  • Refund kecil cepat (minutes), refund besar aman (dual approval)
  • Fraud berkurang karena risk flag otomatis
  • Customer dapat update status otomatis

Workflow refund (AI Agent + n8n automation)

  • Trigger: form refund masuk (webhook)
  • Enrichment:
    • ambil data order dari WooCommerce/Shopify
    • ambil payment status dari Stripe/Midtrans
    • ambil shipment status dari logistics API
    • cek histori refund user (DB/Sheets)
  • AI Agent brief: ringkas kasus + buat risk score
  • Routing:
    • risk low + amount kecil → auto-approve (ops lead)
    • risk medium → approval finance
    • risk high → require 2 approval + minta bukti tambahan
  • Approval message: Slack ke channel #refund-approval berisi ringkasan + tombol
  • Execute: call refund API
  • Notify: email/WA ke customer: approved/rejected + alasan
  • Audit: simpan semua event

Aha moment di use case ini: AI Agent bukan cuma “menjawab”. AI Agent bertindak sebagai risk analyst otomatis yang mengubah approval dari debat panjang menjadi ceklist keputusan.

Strategi paling penting: desain approval sebagai “produk internal”

Kalau kamu mau approval workflow ini benar-benar kepake (bukan sekadar demo), pakai 5 strategi ini.

1) Standarisasi input pakai “Request Contract”

Jangan biarkan request berupa chat random. Buat kontrak minimal: field wajib + format + contoh. Ini mirip API contract, tapi untuk manusia.

2) Pisahkan “brief” vs “decision”

AI Agent bikin brief. Manusia bikin keputusan. Ini membatasi risiko hallucination jadi decision support saja.

3) Selalu punya jalur “need more info”

Biasanya workflow cuma approve/reject. Padahal 60% kasus di dunia nyata adalah “kurang info”. Buat tombol ketiga:

  • Request More Info → n8n kirim pertanyaan AI (suggested_questions) ke requestor

4) Gunakan risk-based routing (bukan jabatan-based routing)

Approval sering lambat karena semua hal harus lewat bos. Solusinya: definisikan risk tier. Semakin rendah risiko, semakin dekat ke tim eksekutor. Semakin tinggi risiko, semakin senior approver-nya.

5) Jadikan audit trail sebagai “dataset perbaikan”

Log approval itu emas. Dari situ kamu bisa:

  • latih prompt lebih tajam (contoh kasus approve vs reject)
  • buat aturan baru (pattern fraud, pattern konten ditolak, dsb)
  • ukur ROI automation (waktu hemat, SLA naik)

Kalau kamu suka vibe coding: mulai dari workflow sederhana, deploy, lihat log 1 minggu, iterasi prompt + routing rules. Jangan tunggu “sempurna”. Approval itu domain yang justru membaik dengan feedback loop.

Penutup + call to action

Approval workflow yang rapi itu salah satu automation paling underrated—karena dampaknya langsung ke kecepatan eksekusi. Dengan AI Agent + n8n automation, kamu bisa menghapus kerja “follow-up manual”, mempercepat keputusan, dan tetap aman karena manusia tetap pegang palu final.

Kalau kamu mau langsung praktik, challenge-nya:

  • Pilih 1 approval yang paling sering bikin macet (refund / publish konten / merge PR / akses data).
  • Bangun versi MVP di n8n: ingest → enrich 1 API → AI brief → approval via Slack → audit log ke Sheets.
  • Tambahkan SLA reminder + eskalasi.

Kalau kamu sudah punya itu, next step-nya adalah naik level: dual approval untuk high risk, compensation/rollback, dan dashboard metrik approval. Dari sini kamu sudah satu langkah lebih dekat untuk build SaaS cepat dengan AI berbasis workflow approval (internal maupun buat klien).

Artikel terkait